基于改进DeeplabV3+的遥感图像道路分割模型

针对遥感图像道路分割边界模糊和遮挡难以区分的问题,提出了基于改进DeeplabV3+的遥感图像道路分割模型。该模型在主干网络中引入MobileNetV3和高效通道注意力机制(ECA),减少了参数量并关注连续的道路特征信息。在解码过程中采用多级上采样,增强了编码器和解码器之间的紧密连接,全面保留了细节信息。同时,在ASPP模块中采用深度可分离膨胀卷积DS-ASPP,显著减少了参数量。实验结果表明,该模型在Massachusetts Roads数据集上的交并比达到了83.71%,准确率达到了93.71%,分割精度最优,模型参数量为55.57×10^(6),能够有效地避免边界模糊和遮挡导致的错漏检问题,在遥感道路分割中提高了精度和速度。

改进DeepLabv3+模型的混凝土坝表观裂缝特征提取方法

为了解决混凝土坝环境复杂造成现有算法裂缝检测难度大、效果差的问题,提出了一种改进DeepLabv3+模型的混凝土坝裂缝特征提取方法.该方法以轻量型网络替换原始骨干网络提取图像特征,降低模型复杂度;扩充空洞空间金字塔池化模块,提升编码器感受野;采用多尺度特征融合策略,提高边缘信息利用率;优化模型损失函数,克服像素不均衡的困难.采用自制混凝土坝表观裂缝图像数据集对提出方法的有效性和优越性进行了验证与评估,结果表明:构建的改进网络能准确地实现复杂背景下混凝土坝表观裂缝特征的提取,分割裂缝图像的交并比与像素精度分别为72.85%与85.36%,裂缝分割效果也明显优于其他方法,可为长期混凝土坝面裂缝监测提供有效的技术手段.

基于改进DeepLabv3+模型的农村道路提取方法研究

从国产高分辨率影像中快速准确提取农村道路在信息管理、农村农业现代化等领域具有重要的价值,但由于背景噪音复杂、道路蜿蜒细长、易受阴影遮挡等,传统遥感解译方法提取农村道路信息效率低、精度不高.文章针对农村道路的特征,对DeepLabv3+模型进行改进,设计了一种兼具效率和精度的高分辨率影像农村道路信息提取改进模型.首先,使用Mobilenetv2作为模型的主干,减少模型的参数;其次,在ASPP模块中串联CBAM,加强模型的特征感受能力;最后,添加Dice Loss函数改进损失函数,克服样本的不均衡.实验结果表明,细节的改进使得各项指标明显提升,效率和精度达到了最高;与经典模型相比,改进模型在MPA、MIoU上取得了更高的分数,虽然对深层特征的深度学习需要花费更多的时间,但改进模型在精度效率上均优于其他模型.

基于DeepLabV3+模型的轨道站点影响区自行车出行环境评价

轨道站点影响区自行车出行环境评价对于促进自行车接驳出行效率和服务品质提升具有重要意义。采集百度街景、路网、轨道站点等多源数据,选取自行车出行环境的舒适性、安全性、便捷性和可达性评价指标,运用DeepLabV3+模型和sDNA分析法对轨道站点1500 m范围影响区内不同类型道路的自行车出行环境进行评价,并以南京市为例进行实证分析。结果表明:站点影响区自行车出行环境存在空间差异性;交通型道路的自行车出行中间性、天空可视度高,但自行车存取方便程度低;生活型道路的自行车存取方便程度、绿视率高,但自行车出行中间性、安全性低;综合型道路各指标相对协调。

基于改进DeepLabV3+的轻量化茶叶嫩芽采摘点识别模型

[目的/意义]名优茶的采摘是茶产业中至关重要的环节,识别和定位名优茶嫩芽采摘点是现代化采茶过程中的重要组成部分。传统神经网络方法存在着模型体量大、训练时间长,以及应对场景复杂等问题。本研究以湖南省溪清茶园为实际场景,提出一种新型深度学习算法解决名优茶采摘点的精确分割难题。[方法]对传统的DeepLabV3+算法进行轻量化改进。首先,针对其模型体量大、训练时间长的问题,使用MobilenetV2网络提取图像的初始特征,并按照网络结构划分深浅层特征;其次,将高效通道注意力网络(Efficient Channel Attention Network,ECANet)与空洞空间卷积池化金字塔(Atrous Spatial Pyramid Pooling,ASPP)模块结合,得到ECA_ASPP模块,并将深层特征输入到ECA_ASPP模块中进行多尺度特征融合以减少无效信息,将经过处理后的深浅层特征相加,随后通过卷积和上采样的方式对特征信息进行还原,得到分割结果;最后,通过对识别结果进行处理以获得茶叶嫩芽采摘点。[结果和讨论]改进后的DeepLabV3+在茶叶嫩芽数据集上的平均交并比达到93.71%,平均像素准确率达到97.25%,模型参数量由原来以Xception为底层网络的54.714 M下降至5.818 M。[结论]本研究在茶叶嫩芽结构分割上相对于原版DeepLabV3+的检测速度更快、参数量更小,同时保证了较高的准确率,为智能采茶机器人的采摘提供了新的定位方法。

基于改进DeepLabV3+的遥感图像分割模型

针对经典语义分割算法对遥感图像分割精度较低、参数量大等问题,提出一种轻量化网络与注意力机制相结合的改进深度实验室库版本3(DeepLabV3)+遥感图像语义分割模型。首先,使用移动网络版本3(MobileNetV3)轻量化模型作为DeepLabV3+的特征提取网络,可有效降低整个模型的参数量;其次,对DeepLabV3+模型解码阶段添加有效通道注意力机制,增强模型对不同通道的特征拟合能力。实验表明:本文所改进DeepLabV3+模型相较原模型,参数量降低3.6倍,平均交并比提高3.5%。

基于改进Deeplabv3+模型的果树语义分割研究

针对丘陵山区果园存在地形、光线、边界干扰等环境因素对单株果树难以精准识别分割的问题,提出一种改进的高精度Deeplabv3+语义分割网络模型。首先,该模型以ResNet50为主干网络提取特征,引入金字塔拆分注意力(PSA)机制,获得更清晰的果树轮廓边界信息;继而,将条纹池化(SP)模块串联到解码部分,通过SP加强特征提取,分别沿水平和垂直维度获取丰富的上下文信息,扩大感受野范围并保证信息完整性和连续性。通过语义分割可得以下结论:在使用Labelme工具进行自主图像标注的丘陵山区果树树冠图像数据集中,果树单株识别分割准确率PA为98.91%,果树分割的平均交并比MIoU为74.94%,相较于PSPNet、UNet、FCN和Deeplabv3+,PA分别提高2.5%、1.88%、1.03%和1.85%,MIoU分别提高10.93%、8.19%、2.78%、5.73%,有较明显的数据提升。该研究成果可为智能农业装备在果园对靶喷药、长势识别等精细化作业方面提供数据支撑。

基于改进DeepLabV3+模型的建筑物提取

针对遥感影像建筑物提取仍然存在提取精度较低的问题,文章基于Deep-LabV3+模型构建了M2-CA-DeepLabV3+模型,该模型首先使用MobileNetV2作为特征提取网络,在很大程度上减少了模型的参数量,提升了模型的特征提取能力;其次通过坐标注意力机制加强网络模型对建筑特征的学习和特征提取能力。结果表明:该文构建模型表现在不同区域背景下优于原始DeepLabV3+模型交并比、F1分数分别高于原始模型4.14%、3.52%。

基于改进DeepLabv3+的轻量化作物杂草识别方法

为在存储资源与计算能力有限的设备上实现田间作物和杂草的识别,本文提出一种基于改进DeepLabv3+的轻量化语义分割网络。首先,以MobileNet v2作为DeepLabv3+的特征提取骨干网络,提出双分支残差模块替换倒残差模块,并删除后两层卷积以降低模型参数量。其次,在空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块中引入分组逐点卷积,使用深度扩张卷积替换标准卷积,并将卷积后的特征图进行多尺度特征融合增强对作物和杂草深层特征的提取能力。最后,将原有的非线性激活函数替换为Leaky ReLU激活函数来提升分割精度。实验结果表明:改进后网络的mIOU达到86.75%,参数量仅为0.69M,FPS达到了98,与原始DeepLabv3+以及3个典型轻量化语义分割网络的相比,参数量最小,在对比的轻量化网络中具有最高的分割精度。

基于改进DeepLabv3+的光伏电站道路识别方法

针对移动清洁机器人在光伏电站作业时需要精确快速识别道路的问题,提出一种改进的DeepLabv3+目标识别模型对光伏电站道路进行识别.首先,将原DeepLabv3+模型的主干网络替换为优化的MobileNetv2网络以降低模型复杂度;其次,采用异感受野融合和空洞深度可分离卷积结合的策略改进空洞空间金字塔池化(ASPP)结构,提高ASPP的信息利用率和模型训练效率;最后,引入注意力机制,提升模型识别精度.结果表明,改进后模型的平均像素准确率为98.06%,平均交并比为95.92%,相比于DeepLabv3+基础模型分别提高了1.79个百分点、2.44个百分点,且高于SegNet、UNet模型.同时,改进后的模型参数量小,实时性好,能够更好地实现光伏电站移动清洁机器人的道路识别.

基于改进Deeplabv3+算法的滚珠丝杠驱动表面点蚀缺陷检测

针对滚珠丝杠驱动表面背景环境复杂、点蚀缺陷目标小因而难以检测的问题,提出改进的Deeplabv3+滚珠丝杠驱动表面缺陷分割算法。本算法采用Re2Net-50替换Deeplabv3+的主干网络,显著提升了对小尺寸缺陷目标的识别能力。此外,通过在主干网络中融合特征金字塔网络FPN,能够加强多尺度信息的提取,从而增强了对缺陷目标的精确定位。最后,本研究在Deeplabv3+网络的ASPP模块之后引入了Coordinate Attention机制,能够增强模型对图像中空间和维度的关注,有效地捕获了图像中的长距离空间依赖关系。实验结果表明,与原始的Deeplabv3+相比,所提算法在平均交并比MIoU指标上提高了4.38%,准确率Accuracy提高了5.52%,F1-score提高了2.74%。同时,与其他经典的语义分割算法相比,所提算法也展现出了一定的优越性。

基于改进DeepLabv3的自然图像语义分割算法

针对DeepLabv3模型对自然图像语义分割时存在的图像局部细节信息丢失导致的误分割和物体边缘分割不完整的问题,提出了一种改进DeepLabv3模型的自然图像语义分割网络,能够以更高的准确率实现自然图像的语义分割.首先,使用ResNet101作为骨干网络进行特征提取,把ResNet101网络最后两层提取到的特征图输入到设计的ACMix多重融合模块(ACMix Multiple Fusion Module,AMFM)中,有效获取不同尺度的空间特征信息,将融合之后的结果作为空洞空间金字塔池化模块(Atrous Spatial Pyramid Pooling,ASPP)的输入.其次,添加辅助分支模块(Auxiliary Branch Module,ABM),将ResNet101网络第三层提取到的特征图输入到ABM中,有效提取更丰富的边缘特征信息.最后,将主分支和辅助分支的结果融合作为输出,融合后的输出不仅追踪到了不同尺度的空间特征信息,而且提取到了完整的边缘特征信息,从而使模型更有效地提高分割精度.PASCAL VOC 2012数据集的结果表明,改进后的模型相比于原模型分割精度提升了3.21%,与其它网络模型相比,也具有较好的分割精度.

基于DeepLabv3+的船体结构腐蚀检测方法

利用图像识别方法对无人机、机器人所采集的实时图像开展船体结构腐蚀检测,可有效提高检验检测效率和数字化、智能化水平,具有极大的应用价值和潜力,将改变传统的船体结构检验检测方式。提出一种基于DeepLabv3+的船体结构腐蚀检测模型,通过收集图像样本并进行三种腐蚀类别的分割标注,基于DeepLabv3+语义分割模型进行网络的训练,预测图片中腐蚀的像素点类别和区域,模型在测试集的精准率达到52.92%,证明了使用DeepLabv3+检测船体腐蚀缺陷的可行性。

基于DeeplabV3+网络的轻量化语义分割算法

针对传统语义分割模型参数量大、计算速度慢且效率不高等问题,改进一种基于DeeplabV3+网络的轻量化语义分割模型Faster-DeeplabV3+。Faster-DeeplabV3+模型采用轻量级MobilenetV2代替Xception作为主干特征提取网络,大幅减少参数量,提高计算速度;引入深度可分离卷积(deep separable convolution, DSC)与空洞空间金字塔(atrous spatia pyramid pooling, ASPP)中的膨胀卷积设计成新的深度可分离膨胀卷积(depthwise separable dilated convolution, DSD-Conv),即组成深度可分离空洞空间金字塔模块(DP-ASPP),扩大感受野的同时减少原本卷积参数量,提高运算速度;加入改进的双注意力机制模块分别对编码区生成的低级特征图和高级特征图进行处理,增强网络对不同维度特征信息提取的敏感性和准确性;融合使用交叉熵和Dice Loss两种损失函数,为模型提供更全面、更多样的优化。改进模型在PASCAL VOC 2012数据集上进行测试。实验结果表明:平均交并比由76.57%提升至79.07%,分割准确度由91.2%提升至94.3%。改进模型的网络参数量(params)减少了3.86×10~6,浮点计算量(GFLOPs)减少了117.98 G。因此,Faster-DeeplabV3+算法在大幅降低参数量、提高运算速度的同时保持较高语义分割效果。

基于改进DeepLabv3+网络的沥青道路裂缝检测方法

针对传统的语义分割技术对于沥青道路裂缝的检测存在检测精度低、误差大的问题,提出了一个基于改进DeepLabv3+网络的语义分割方法。该方法在编码器阶段,采用轻量级MobileNetv2取代DeepLabv3+的主干网络Xception,从而减少参数量;在解码器阶段,引入双注意力机制以进一步提高网络的分割精度;使用Dice Loss函数与原始交叉熵损失函数混合,以缓解样本中前景和背景不平衡问题。最后以道路实时检测的数据为对象进行了大量的实验,结果表明,该方法与原始DeepLabv3+相比,平均交并比(mIoU)、平均像素精度(mPA)分别提升了8.98%和17.39%。与其他主流语义分割模型相比,改进后的DeepLabv3+在沥青道路裂缝的检测上也取得了较好的效果。

基于DeepLabv3+的太阳能电池板污染面积分割与计算算法研究

在露天环境中运行的太阳能电池板易受积尘等污染物覆盖的影响,进而降低其发电效率。为了定量评估污染物对太阳能电池板表面污染的程度,文章采用DeepLabv3+语义分割模型对太阳能电池板污染面积进行分割与计算。首先,通过训练DeepLabv3+模型,实现对太阳能电池板图像的精确分割,从而提取出污染区域。然后,通过计算污染区域像素点总数占整块太阳能电池板图像像素点总数的比例,量化污染物的面积。最后,在实际场景中的实验表明,DeepLabv3+分割太阳能电池板污染物的精准率、F1得分和平均准确率分别达到97.17%、96.45%和96.79%。该方法为太阳能电池板的维护管理和效率优化提供了科学依据。

基于3C3R模型优化PBL教学中问题的设计

教学中问题驱动能有效地引导学生知识习得,思维纵深延展,推进学程并解决问题。将3C3R模型引入PBL教学设计,旨在围绕课标概念及教材文本,依据设计路径整合关键要素进行问题设计与案例实践,在获取学科知识与培养问题解决能力方面是必要且有效的。

基于注意力机制改进的DeepLabV3+遥感图像分割算法

DeepLabV3+分割算法具有高效的编解码结构,常用在图像分割任务中。针对DeepLabV3+高分辨率遥感图像语义分割中存在的分割目标边缘不精确和孔洞缺陷问题,提出了一种基于注意力机制改进的DeepLabV3+遥感图像分割算法。构建ECBA(Efficient Convolutional Block Attention Module)注意力机制,将ECBA添加至DeepLabV3+主干网络Xception,增强其特征提取能力,得到注意力加权的高层特征。同时,将ECBA添加至编码器和解码器的连接支路,得到注意力加权后的低层特征。解码器将两种特征进行特征融合,以增强网络对不同分割目标的边缘以及同一目标内部的感知。实验结果表明,改进后的算法在ISPRS Potsdam数据集上的平均交并比(mean Intersection over Union,mIoU)和F1指数分别达到了79.80%和75.88%,比DeepLabV3+算法提高了11.06%和6.32%。

肾及肾上腺肿瘤高仿真3D打印模型在泌尿外科住院医师规范化培训教学中的应用效果

目的探讨肾及肾上腺肿瘤高仿真3D打印模型在泌尿外科住院医师规范化培训教学中的应用效果。方法将40名参加泌尿外科住院医师规范化培训的医师随机分为试验组和对照组,每组20名。收集肾及肾上腺肿瘤的CT影像资料,打印成高仿真3D模型。给予对照组传统教学,给予试验组传统教学联合高仿真3D打印模型教学。教学结束后,比较两组医师的理论知识考核成绩和对教学方法的评价。结果试验组医师的理论知识考核成绩,以及学习兴趣、解剖认识、知识记忆、医患沟通、临床思维、教学满意度条目得分高于对照组(P<0.05)。结论高仿真3D打印模型可以直观展示肾及肾上腺肿瘤的立体解剖结构,有助于加深医师对相关知识的理解、记忆,提高教学质量,是一种有效的教学方法。

自适应组合滤波算法在3D假肢模型中的应用

针对经典统计滤波算法无法自适应选取参数以及传统双边滤波算法难以兼顾保特征和光顺性的问题,提出一种自适应组合滤波算法。首先引入基于局部点云体积的自适应标准差倍数以灵活滤除假肢点云大尺度噪声;在滤除大尺度噪声的基础上,引入一种新的协方差矩阵加权方式,提高估计点云法向的准确性,并通过法向夹角变化程度的均值对特征权重因子进行改进,增强双边滤波因子的保特征性,旨在光顺三维假肢模型小尺度噪声。与单独使用统计滤波、双边滤波相比,所提算法在3个假肢模型的最大误差E_(max)至少降低了5%;平均误差E_(ave)至少降低了6.9%。仿真结果表明,该改进算法在有效剔除假肢模型大尺度噪声的同时又避免了过光顺和去噪不彻底,可以较好地保持模型中的几何特征。